CN113284171B - 一种基于卫星遥感立体成像对的植被高度分析方法及*** - Google Patents
一种基于卫星遥感立体成像对的植被高度分析方法及*** Download PDFInfo
- Publication number
- CN113284171B CN113284171B CN202110681035.6A CN202110681035A CN113284171B CN 113284171 B CN113284171 B CN 113284171B CN 202110681035 A CN202110681035 A CN 202110681035A CN 113284171 B CN113284171 B CN 113284171B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- height
- model
- satellite
- elevation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卫星遥感立体成像对的植被高度分析方法及***,通过对由DSM和DEM经差值运算生成的涵盖所有地表地物的高度模型叠加提取的植被信息图层来快速、高效地获取植被高度模型。首先利用高分辨率的卫星立体像对匹配生成DSM,然后将匹配生成的DSM与激光雷达DEM进行配准,接着利用卫星影像提取植被信息,最后提取植被高度模型。本发明通过上述步骤可实现大区域范围内高效、快速、准确地提取植被的高度信息,且受天气和空域的影响较小,且数据更新方便,具有较强的时效性。
Description
技术领域
本发明涉及一种植被高度分析方法,具体涉及一种基于卫星遥感立体成像对的植被高度分析方法及***。
背景技术
森林生态***是陆地生态***的主体,其初级生产力(GPP)占陆地生态***总初级生产力的75%。因此,准确刻画森林植被碳储量的空间分布格局及动态变化是陆地生态***碳收支核算的基础。作为森林地上生物量的重要指示因子,森林高度的精确估算是提高森林植被碳储量估算精度的关键。
植被高度测量的传统手段是地面调查,地面测量不仅耗时、效率低,人力成本较高,容易出现误差,而且进行大面积区域重复测量的可能性也较低。而遥感技术则能够克服常规手段的不足,因此,已成为快速、准确获取大范围植被高度信息的有效途径。
目前,林业相关部门主要利用机载相机获取的航片进行植被测量,单木测高可通过单张航片或立体像对实现。基于单张航片的传统树高测量主要有两种方法:一是在航片上测量单株树木的阴影长度,再利用航拍时的太阳高度角和三角形原理进行测量;另一种是利用树冠与树高的相关关系,通过测量树冠的大小间接测量树高。
基于立体像对的立体模型测高法,在光学立体镜下测量树高值,乘以航片摄影比例尺,得到真实树高。但是原始影像的获取成本高昂、受天气和空域的影响较大、制作工期较长,且数据更新不便,时效性得不到保障。
机载激光雷达(LIDAR)因其可直接高效获取高精度的地面高程信息,且不受天气影响,被广泛应用于森林垂直结构的测量。LIDAR对植被具有很强的穿透能力,能够快速、直接地获取高精度的植被三维信息,但机载LIDAR数据处理过程复杂,获取成本高,且覆盖范围小,难以实现大区域的植被高度估测。
此外,单景光学卫星遥感影像可通过计算立木的阴影长度,结合太阳高度角、方位角以及坡度、坡向等因子,通过几何算法,得到平均树高。适用于地形变化不大、坡度较小、地形阴影对立木阴影不覆盖的情况,可对视野开阔的孤立木或是林缘立木及四旁树的树高进行估测,但对于植被覆盖密度较大的森林,影像上难以获取林内立木在地面上的阴影,无法用于密集林分的高度信息提取。
发明内容
本发明所要解决的技术问题是:现有的植被高度分析方法存在许多弊端,且难以实现大区域的植被高度分析,目的在于提供一种基于卫星遥感立体成像对的植被高度分析方法及***,解决现有的植被高度分析方法的不足。
本发明通过下述技术方案实现:
一种基于卫星遥感立体成像对的植被高度分析方法,包括以下步骤:
步骤1:获取卫星原始影像和卫星立体成像对文件,构建立体像对,利用所述立体像对匹配生成数字表面模型;
步骤2:将所述数字表面模型与数字高程模型进行配准,消除所述数字表面模型与所述数字高程模型之间的高程基准差异;
步骤3:对所述卫星原始影像进行处理,得到标准卫星影像;
步骤4:从所述标准卫星图像中选取训练样本,所述训练样本包括各类地物的像素点;利用所述训练样本进行训练和基于随机森林的遥感影像分类方法,得到地物类别分类模型;
步骤5:利用所述地物类别分类模型对所述标准卫星影像进行地物类别划分,根据分类结果提取标准卫星影像区域范围内所有植被的信息,得到植被信息图层;
步骤6:根据所述植被信息图层、配准后的数字表面模型和数字高程模型,提取卫星图像区域内所有植被的植被高度模型,所述植被高度模型只包含所有植被的高度信息。
与现有技术相比,本发明利用高分辨率的卫星立体像对匹配生成DSM,通过对DSM和DEM经差值运算生成的,涵盖所有地表地物的高度模型叠加提取的植被信息图层来快速、高效地获取植被高度模型。实现了准确、快速地对大区域且植被覆盖密度较大的森林植被高度进行分析,且本发明通过获取卫星遥感影像进行植被高度分析,数据更新技术,具有较强的时效性。
作为对本发明的进一步描述,所述构建立体像对的方法为:
步骤1.1:从所述卫星原始影像中选取多个控制点,根据所述多个控制点,利用GPS接收机进行实地点位测量,得到实测控制点数据;
步骤1.2:利用所述实测控制点数据进行空中三角测量区域网平差,得到平差结果;
步骤1.3:利用所述平差结果对所述卫星立体成像对文件的RPC参数进行修正,得到修正的RPC参数;
步骤1.4:根据所述修正的RPC参数构建立体像对。
作为对本发明的进一步描述,所述实测控制点数据包括各个控制点的经度、纬度和高程位置。
作为对本发明的进一步描述,所述步骤2所述的配准包括:水平位置配准和高程差异纠正;
所述水平位置配准的方法包括:
步骤2.11:对所述数字表面模型进行渲染,得到DSM渲染图;对所述数字高程模型进行渲染,得到DEM渲染图;
步骤2.12:从所述DSM渲染图和所述DEM渲染图中选取多个同名点;
步骤2.13:分别获取每个同名点的配准参数,建立配准参数表;
步骤2.14:根据所述配准参数表对所述数字高程模型进行重采样,实现水平位置配准。
所述高程差异纠正的方法为:
步骤2.21:从DSM渲染图和重采样后的数字高程模型的裸露地表出选取多个同名点,作为高程配准点;
步骤2.22:获取各个同名点在数字表面模型和数字高程模型上的高程差值,得到高程差值数据集;
步骤2.23:根据所述高程差值数据集获取高程差值均值;
步骤2.24:利用所述高程差值均值,对数字表面模型和数字高程模型的高程差异进行纠正。
作为对本发明的进一步描述,所述重采样的方法为:
作为对本发明的进一步描述,对卫星原始影响进行处理的方法包括:影像融合、辐射定标、大气校正和几何校正。
作为对本发明的进一步描述,所述步骤6包括:
步骤6.1:对配准后的数字表面模型和数字高程模型进行逐像元的差值运算,获取所有地表物体的高度模型;
步骤6.2:将所述植被信息图层与所有地表物体的高度模型进行叠加,得到所有植被的植被高度模型。
作为对本发明的进一步描述,基于卫星遥感立体成像对的植被高度分析方法还包括步骤7:对所有植被的高度信息进行精度评价。
作为对本发明的进一步描述,所述步骤7包括:
步骤7.1:在标准卫星图像区域内选取多颗植被,利用激光雷达采集所述多颗植被的高度信息,建立植被的真实高度数据集;
步骤7.2:利用所述植被高度模型获取所述多颗植被的植被高度,建立预测高度数据集;
步骤7.3:根据所述真实高度数据集和所述预测高度数据集,对所述多颗植被进行像元对像元的散点分析,根据分析结果对得到的植被高度信息件精度评价。
一种基于卫星遥感立体成像对的植被高度分析***,包括:
数据采集模块,用于采集卫星原始影像和卫星立体成像对文件;
立体像对构建模块,用于根据卫星原始影像和卫星立体成像对文件构建立体像对;
数字表面模型生成模块,用于利用所述立体像对匹配生成数字表面模型;
配置模块,用于将所述数字表面模型与数字高程模型进行配准,消除所述数字表面模型与所述数字高程模型之间的高程基准差异;
数据预处理模块,用于对所述卫星原始影像进行处理,得到标准卫星影像;
训练样本选取模块,用于从所述标准卫星图像中选取训练样本;
分类模型构建模块,用于利用所述训练样本进行训练和基于随机森林的遥感影像分类方法,构建地物类别分类模型;
地物类别划分模块,用于利用所述地物类别分类模型对所述标准卫星影像进行地物类别划分;
植被信息提取模块,用于提取标准卫星影像区域范围内所有植被的信息,得到植被信息图层;
植被高度提取模块,用于根据所述植被信息图层、配准后的数字表面模型和数字高程模型,提取卫星图像区域内所有植被的植被高度模型,所述植被高度模型只包含所有植被的高度信息;
精度评价模块,用于对所有植被的高度信息进行精度评价。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种基于卫星遥感立体成像对的植被高度分析方法及***,可实现大区域范围内高效、快速、准确地提取植被的高度信息;
2、本发明一种基于卫星遥感立体成像对的植被高度分析方法及***,受天气和空域的影响较小,且数据更新方便,具有较强的时效性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例1的植被高度计算总体流程图。
图2为本发明实施例1的数字表面模型生产流程图。
图3为本发明实施例1的DSM与DEM配准流程图。
图4为本发明实施例1的植被信息提取流程图。
图5为本发明实施例1的植被高度模型提取流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
为克服现有技术存在的原始影像的获取成本高昂、受天气和空域的影响较大、制作工期较长,且数据更新不便,时效性得不到保障,且难以实现大区域的植被高度估测,对于植被覆盖密度较大的森林,影像上难以获取林内立木在地面上的阴影,无法用于密集林分的高度信息提取等问题,本实施例提供了一种基于卫星遥感立体成像对的植被高度分析方法,其总体流程图如图1所示。该方法通过以下方式实现:
步骤1:获取卫星原始影像和卫星立体成像对文件,构建立体像对,利用所述立体像对匹配生成数字表面模型,数字表面模型生产流程可参考图2。
其中,构建立体像对的方法为:
步骤1.1:从所述卫星原始影像中选取多个控制点,根据所述多个控制点,利用GPS接收机进行实地点位测量,得到实测控制点数据;所述实测控制点数据包括各个控制点的经度、纬度和高程位置。实际操作中,根据案例区域的实际情况,选取均匀遍布于整个区域的若干点位作为控制点,并利用GPS接收机进行实地点位量测,测点信息包括各点的经度、纬度和高程位置。
步骤1.2:利用所述实测控制点数据进行空中三角测量区域网平差,得到平差结果。即基于多项式系数(RPC)参数和控制点位测量结果,对原始的卫星影像进行空三平差。
步骤1.3:利用所述平差结果对所述卫星立体成像对文件的RPC参数进行修正,得到修正的RPC参数;根据平差结果对RPC参数进行修正,以构建严格的几何成像模型,由构建的立体像对匹配生成影像覆盖区域的DSM。
步骤1.4:根据所述修正的RPC参数构建立体像对。
步骤2:不同源高程数据的高程基准会存在一定的差异,因此,将所述数字表面模型与数字高程模型进行配准,消除所述数字表面模型与所述数字高程模型之间的高程基准差异。
其中,配准包括:水平位置配准和高程差异纠正,其方法流程可参考图3。
所述水平位置配准包括:
步骤2.11:对所述数字表面模型进行渲染,得到DSM渲染图;对所述数字高程模型进行渲染,得到DEM渲染图;
步骤2.12:从所述DSM渲染图和所述DEM渲染图中选取多个同名点;
步骤2.13:分别获取每个同名点的配准参数,建立配准参数表;
步骤2.14:根据所述配准参数表对所述数字高程模型进行重采样,实现水平位置配准。
所述高程差异纠正的方法为:
步骤2.21:从DSM渲染图和重采样后的数字高程模型的裸露地表出选取多个同名点,作为高程配准点;
步骤2.22:获取各个同名点在数字表面模型和数字高程模型上的高程差值,得到高程差值数据集;
步骤2.23:根据所述高程差值数据集获取高程差值均值;
步骤2.24:利用所述高程差值均值,对数字表面模型和数字高程模型的高程差异进行纠正。
水平位置配准方法中,重采样的方法为:
步骤3:为获取准确的植被覆盖区域信息,需保证卫星影像的空间位置精确、光谱信息真实,因此,对所述卫星原始影像进行处理,得到标准卫星影像。更进一步的,对卫星原始影响进行处理的方法包括:影像融合、辐射定标、大气校正和几何校正。
首先对案例区域的全色、多光谱影像进行影像融合,以获取更有利于植被信息提取的同时具备高空间分辨率和多波段信息的影像数据。然后再对影像数据进行辐射定标和大气校正,以获取地物的真实光谱信息,最后利用步骤一中的控制点信息对影像进行几何校正,以获取影像上地物的准确空间位置,由此完成数据的预处理。
步骤4:从所述标准卫星图像中选取训练样本,所述训练样本包括各类地物的像素点;利用所述训练样本进行训练和基于随机森林的遥感影像分类方法,得到地物类别分类模型。在经预处理后的影像上分别选取各类地物的像素点作为训练样本,采用基于随机森林的遥感影像分类方法对影像进行地物类别的划分。
步骤5:利用所述地物类别分类模型对所述标准卫星影像进行地物类别划分,根据分类结果提取标准卫星影像区域范围内所有植被的信息,得到植被信息图层,植被信息提取流程参考图4。
步骤6:根据所述植被信息图层、配准后的数字表面模型和数字高程模型,提取卫星图像区域内所有植被的植被高度模型,所述植被高度模型只包含所有植被的高度信息。植被高度模型提取流程参考图5,具体通过以下方式实现:
步骤6.1:对配准后的数字表面模型和数字高程模型进行逐像元的差值运算,获取所有地表物体的高度模型;
步骤6.2:将所述植被信息图层与所有地表物体的高度模型进行叠加,得到所有植被的植被高度模型。
步骤7:对所有植被的高度信息进行精度评价。更进一步的,步骤7包括:
步骤7.1:在标准卫星图像区域内选取多颗植被,利用激光雷达采集所述多颗植被的高度信息,建立植被的真实高度数据集;
步骤7.2:利用所述植被高度模型获取所述多颗植被的植被高度,建立预测高度数据集;
步骤7.3:根据所述真实高度数据集和所述预测高度数据集,对所述多颗植被进行像元对像元的散点分析,根据分析结果对得到的植被高度信息件精度评价。
实施例2:
一种基于卫星遥感立体成像对的植被高度分析***,包括:
数据采集模块,用于采集卫星原始影像和卫星立体成像对文件;
立体像对构建模块,用于根据卫星原始影像和卫星立体成像对文件构建立体像对;
数字表面模型生成模块,用于利用所述立体像对匹配生成数字表面模型;
配置模块,用于将所述数字表面模型与数字高程模型进行配准,消除所述数字表面模型与所述数字高程模型之间的高程基准差异;
数据预处理模块,用于对所述卫星原始影像进行处理,得到标准卫星影像;
训练样本选取模块,用于从所述标准卫星图像中选取训练样本;
分类模型构建模块,用于利用所述训练样本进行训练和基于随机森林的遥感影像分类方法,构建地物类别分类模型;
地物类别划分模块,用于利用所述地物类别分类模型对所述标准卫星影像进行地物类别划分;
植被信息提取模块,用于提取标准卫星影像区域范围内所有植被的信息,得到植被信息图层;
植被高度提取模块,用于根据所述植被信息图层、配准后的数字表面模型和数字高程模型,提取卫星图像区域内所有植被的植被高度模型,所述植被高度模型只包含所有植被的高度信息;
精度评价模块,用于对所有植被的高度信息进行精度评价。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,包括以下步骤:
步骤1:获取卫星原始影像和卫星立体成像对文件,构建立体像对,利用所述立体像对匹配生成数字表面模型;
步骤2:将所述数字表面模型与数字高程模型进行配准,消除所述数字表面模型与所述数字高程模型之间的高程基准差异;
步骤3:对所述卫星原始影像进行处理,得到标准卫星影像;
步骤4:从所述标准卫星影像中选取训练样本,所述训练样本包括各类地物的像素点;利用所述训练样本进行训练和基于随机森林的遥感影像分类方法,得到地物类别分类模型;
步骤5:利用所述地物类别分类模型对所述标准卫星影像进行地物类别划分,根据分类结果提取标准卫星影像区域范围内所有植被的信息,得到植被信息图层;
步骤6:根据所述植被信息图层、配准后的数字表面模型和数字高程模型,提取卫星图像区域内所有植被的植被高度模型,所述植被高度模型只包含所有植被的高度信息;
所述步骤2所述的配准包括:水平位置配准和高程差异纠正;
所述水平位置配准的方法包括:
步骤2.11:对所述数字表面模型进行渲染,得到DSM渲染图;对所述数字高程模型进行渲染,得到DEM渲染图;
步骤2.12:从所述DSM渲染图和所述DEM渲染图中选取多个同名点;
步骤2.13:分别获取每个同名点的配准参数,建立配准参数表;
步骤2.14:根据所述配准参数表对所述数字高程模型进行重采样,实现水平位置配准;
所述高程差异纠正的方法为:
步骤2.21:从DSM渲染图和重采样后的数字高程模型的裸露地表出选取多个同名点,作为高程配准点;
步骤2.22:获取各个同名点在数字表面模型和数字高程模型上的高程差值,得到高程差值数据集;
步骤2.23:根据所述高程差值数据集获取高程差值均值;
步骤2.24:利用所述高程差值均值,对数字表面模型和数字高程模型的高程差异进行纠正。
2.根据权利要求1所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,所述构建立体像对的方法为:
步骤1.1:从所述卫星原始影像中选取多个控制点,根据所述多个控制点,利用GPS接收机进行实地点位测量,得到实测控制点数据;
步骤1.2:利用所述实测控制点数据进行空中三角测量区域网平差,得到平差结果;
步骤1.3:利用所述平差结果对所述卫星立体成像对文件的RPC参数进行修正,得到修正的RPC参数;
步骤1.4:根据所述修正的RPC参数构建立体像对。
3.根据权利要求2所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,所述实测控制点数据包括各个控制点的经度、纬度和高程位置。
4.根据权利要求1所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,对卫星原始影响进行处理的方法包括:影像融合、辐射定标、大气校正和几何校正。
5.根据权利要求1所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,所述步骤6包括:
步骤6.1:对配准后的数字表面模型和数字高程模型进行逐像元的差值运算,获取所有地表物体的高度模型;
步骤6.2:将所述植被信息图层与所有地表物体的高度模型进行叠加,得到所有植被的植被高度模型。
6.根据权利要求5所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,包括步骤7:对所有植被的高度信息进行精度评价。
7.根据权利要求6所述的一种基于卫星遥感立体成像对的植被高度分析方法,其特征在于,所述步骤7包括:
步骤7.1:在标准卫星影像区域内选取多颗植被,利用激光雷达采集所述多颗植被的高度信息,建立植被的真实高度数据集;
步骤7.2:利用所述植被高度模型获取所述多颗植被的植被高度,建立预测高度数据集;
步骤7.3:根据所述真实高度数据集和所述预测高度数据集,对所述多颗植被进行像元对像元的散点分析,根据分析结果对得到的植被高度信息件精度评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110681035.6A CN113284171B (zh) | 2021-06-18 | 2021-06-18 | 一种基于卫星遥感立体成像对的植被高度分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110681035.6A CN113284171B (zh) | 2021-06-18 | 2021-06-18 | 一种基于卫星遥感立体成像对的植被高度分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284171A CN113284171A (zh) | 2021-08-20 |
CN113284171B true CN113284171B (zh) | 2023-04-07 |
Family
ID=77284989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110681035.6A Active CN113284171B (zh) | 2021-06-18 | 2021-06-18 | 一种基于卫星遥感立体成像对的植被高度分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284171B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688909B (zh) * | 2021-08-25 | 2024-01-30 | 北京市水科学技术研究院 | 一种生态区土地分类方法、装置及电子设备 |
CN113989670B (zh) * | 2021-10-27 | 2022-07-12 | 北京四象爱数科技有限公司 | 一种电网输电线路林木障碍物高度快速提取方法 |
CN114170441B (zh) * | 2022-02-11 | 2022-05-10 | 中国测绘科学研究院 | 基于地理国情数据和影像分类的路旁树自动提取方法 |
CN114781011B (zh) * | 2022-04-07 | 2023-02-03 | 武汉大学 | 一种像素级全球森林碳储量高精度计算方法及*** |
CN115201825B (zh) * | 2022-09-16 | 2023-01-17 | 眉山环天智慧科技有限公司 | 一种InSAR震间形变监测中的大气延迟校正方法 |
CN117409322A (zh) * | 2023-10-31 | 2024-01-16 | 广西壮族自治区自然资源遥感院 | 一种空地遥感结合的区域森林自然资源生态估测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639842B2 (en) * | 2002-05-03 | 2009-12-29 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
JP4129879B2 (ja) * | 2005-07-25 | 2008-08-06 | 株式会社エヌ・ティ・ティ・データ | 画像解析装置、画像解析方法及びプログラム |
CN110211138B (zh) * | 2019-06-08 | 2022-12-02 | 西安电子科技大学 | 基于置信点的遥感图像分割方法 |
CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
CN111611525B (zh) * | 2020-05-14 | 2022-07-29 | 中国科学院空天信息创新研究院 | 基于物方匹配高程偏差迭代修正的遥感数据高程解算方法 |
CN111724465B (zh) * | 2020-05-25 | 2023-05-02 | 同济大学 | 基于平面约束优选虚拟控制点的卫星影像平差方法及装置 |
CN111898543B (zh) * | 2020-07-31 | 2022-06-07 | 武汉大学 | 一种融合几何感知与图像理解的建筑物自动提取方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
CN112591150B (zh) * | 2021-01-05 | 2022-09-13 | 成都天巡微小卫星科技有限责任公司 | 一种控制超低轨道卫星姿态的大气阻力矩补偿方法及*** |
CN112734819B (zh) * | 2021-01-14 | 2022-04-19 | 长光卫星技术股份有限公司 | 一种适用于高分辨率遥感卫星dsm的地表滤波方法 |
-
2021
- 2021-06-18 CN CN202110681035.6A patent/CN113284171B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113284171A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113284171B (zh) | 一种基于卫星遥感立体成像对的植被高度分析方法及*** | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
US20120127028A1 (en) | Method for geo-referencing of optical remote sensing images | |
Ukita et al. | Glacial lake inventory of Bhutan using ALOS data: Methods and preliminary results | |
JP2008524684A (ja) | 同じ焦点面内で取得された画像の対から得られる画像の自動ジオリファレンシングを使用して画像を処理する方法 | |
KR20190026452A (ko) | 위성영상과 제공 rpc로부터 제작된 수치표고모델의 자동 오차보정 방법 | |
CN113920438B (zh) | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 | |
CN113205475A (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
CN110363758B (zh) | 一种光学遥感卫星成像质量确定方法及*** | |
Lee et al. | Evaluating spatial resolution for quality assurance of UAV images | |
Chrysoulakis et al. | Validation of ASTER GDEM for the Area of Greece | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
Gašparović et al. | Geometric accuracy improvement of WorldView‐2 imagery using freely available DEM data | |
CN105571598B (zh) | 一种卫星激光高度计足印相机姿态的测定方法 | |
Maurice et al. | A photogrammetric approach for map updating using UAV in Rwanda | |
Li et al. | Improve the ZY-3 height accuracy using ICESat/GLAS laser altimeter data | |
Saponaro et al. | Geometric accuracy evaluation of geospatial data using low-cost sensors on small UAVs | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN110310370B (zh) | 一种gps与srtm点面融合的方法 | |
CN110490827B (zh) | 机载InSAR数据的快速实时处理方法及*** | |
Sefercik et al. | Photogrammetric 3D modelling potential comparison of SFM-based new generation image matching software | |
CN116310901A (zh) | 一种基于低空遥感的泥石流物源动态运移识别方法 | |
Loghin et al. | Accuracy Analysis of Digital Elevation Models from very High Resolution Satellite Imagery | |
Srinivas et al. | Digital aerial orthobase for cadastral mapping | |
CN114140397A (zh) | 全数字地面成像法重力近区地形改正方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |